इसका तरीका जानें Ultralytics एयूवी का उपयोग करके समुद्र के प्लास्टिक प्रदूषण से निपट रहा है और YOLOv5 कुशल पानी के नीचे का पता लगाने और सफाई के लिए।
प्लास्टिक समुद्री वन्यजीवों का दम घोंट रहा है: हर मिनट, प्लास्टिक के दो ट्रक हमारे महासागरों में डंप किए जाते हैं, जो प्रति वर्ष 10 मिलियन टन से अधिक के बराबर है। डीपप्लास्टिक वैज्ञानिकों का कहना है कि यह समुद्री प्लास्टिक "समुद्री पर्यावरण, खाद्य सुरक्षा, मानव स्वास्थ्य, पर्यावरण-पर्यटन और जलवायु परिवर्तन में योगदान" के लिए सामाजिक खतरे पैदा करता है।
इसका मुकाबला करने के लिए, शोधकर्ताओं और इंजीनियरों की यह टीम जांच कर रही है कि कंप्यूटर दृष्टि हमारे महासागरों में प्लास्टिक को कैसे खत्म कर सकती है।
गहरी सीखने की तकनीक के साथ, डीपप्लास्टिक शोधकर्ताओं ने एक दृष्टिकोण विकसित किया है जो समुद्र की सतह के ठीक नीचे स्थित प्लास्टिक को स्कैन करने, पहचानने और मात्रा निर्धारित करने के लिए स्वायत्त पानी के नीचे के वाहनों (एयूवी) का उपयोग करता है जहां प्रकाश अभी भी प्रवेश कर सकता है, या एपिपेलाजिक परत।
"हमारा लक्ष्य बहुत तेज अनुमान गति के साथ एक बहुत छोटा मॉडल था जिसका उपयोग प्लास्टिक का पता लगाने के लिए किया जा सकता है।
जे लोव, मशीन लर्निंग शोधकर्ता
डीपप्लास्टिक टीम ने दो छोटे और सटीक मॉडल, YOLOv4 और YOLOv5, वास्तविक समय वस्तु का पता लगाने के लिए अनुमति देता है। इन मॉडलों को डीपट्रैश डेटासेट पर प्रशिक्षित किया गया था, जिसमें शामिल थे:
एक एयूवी एक रोबोट है जो पानी के नीचे यात्रा करता है। वे धीमे वाहन हैं जो समुद्र की गहराई और सतह पर वापस स्वतंत्र रूप से ग्लाइड कर सकते हैं। प्लास्टिक के नीचे प्लास्टिक की पहचान करने और इकट्ठा करने में सक्षम होने के लिए एयूवी में एक गहरी सीखने का मॉडल स्थापित किया जाना चाहिए। प्लास्टिक के नीचे पानी का पता लगाने के लिए एयूवी को तीन आसान चरणों में तैनात किया जा सकता है।
1. एक एयूवी में एक गहरी सीखने मॉडल स्थापित करें
2. समुद्र को स्कैन करें
3. प्लास्टिक की पहचान करें
डीपप्लास्टिक टीम ने एयूवी पर YOLOv4 और फास्टर आर-सीएनएन जैसे कई गहन शिक्षण मॉडल का परीक्षण किया। हालांकि, शोधकर्ताओं को कई चुनौतियों के साथ प्रस्तुत किया गया था जो समुद्र की सफाई को समस्याग्रस्त बनाते थे।
टीम में किसी भी गहन शिक्षण विशेषज्ञों के बिना, शोधकर्ताओं को गहन शिक्षण मॉडल से सबसे अधिक प्राप्त करने से रोका गया था।
अनुमान यह है कि एयूवी कितनी तेजी से प्लास्टिक को पहचान सकता है। YOLOv4 और फास्टर R-CNN के साथ, AUVs प्लास्टिक का पता लगाने में उतने प्रभावी नहीं थे, जिससे पानी को साफ करने की उनकी क्षमता कम हो गई।
YOLOv4 और फास्टर R-CNN की प्लास्टिक की पहचान करते समय केवल औसतन 77% -80% सफलता दर थी।
फास्टर आर-सीएनएन का उपयोग करते समय, 3-5% कोरल को एयूवी द्वारा प्लास्टिक के रूप में पहचाना गया था, जो स्वीकार्य मानक से नीचे था।
स्विच करते समय YOLOv5, शोधकर्ताओं ने एक तत्काल परिवर्तन देखा। सटीकता को बढ़ाया गया था, गति को अधिकतम किया गया था, और की सादगी YOLOv5 इसे टीम में सभी के लिए सुलभ बनाया।
तेज आर-सीएनएन की तुलना में औसतन 20% तेज अनुमान गति
93% सटीक दर
सेट अप करने के लिए एक घंटे से भी कम समय YOLOv5
के कई पहलू थे YOLOv5 इसने टीम को आसानी से इसके साथ काम करने की अनुमति दी, जो कि हमारे द्वारा रिपॉजिटरी पर स्थापित सरल चरण-दर-चरण प्रक्रिया पर आधारित है।
YOLOv5 फास्टर आरसीएनएन की तुलना में 20% तेज अनुमान गति प्रस्तुत की, 1 मिलीसेकंड में औसतन 9 छवि को संसाधित किया। नतीजतन, एयूवी तेज गति से फ्लोटिंग प्लास्टिक का पता लगाने में सक्षम थे, जिससे प्लास्टिक की मात्रा और समग्र परियोजना दक्षता में वृद्धि हुई।
सटीक दरें 85% औसत पर थीं जो कभी-कभी 93% तक बढ़ जाती थीं। यह पिछले मॉडलों के साथ देखे गए 77-80% औसत से एक छलांग है।
स्थापना YOLOv5 शोधकर्ताओं के लिए एक सहज और सहज अनुभव दोनों था। उपयोगकर्ताओं को पूरी सेट-अप प्रक्रिया के दौरान AZ निर्देशित किया गया था, जिससे टीम को आरंभ करने की अनुमति मिली YOLOv5 एक घंटे से भी कम समय में।
कुछ दिनों के भीतर, वृद्धि के बिना 3000 छवियों के एक छोटे से डेटा सेट का उपयोग करके, समूह झीलों और नदियों में काम करने के लिए एयूवी को प्रशिक्षित करने में सक्षम था। गंदे पानी और अन्य खराब परिस्थितियों के बावजूद, एयूवी ने प्रशिक्षित किया YOLOv5 अभी भी उच्च सटीकता के साथ प्लास्टिक का पता लगा सकता है और पहचान सकता है।
"हम एक ऑब्जेक्ट डिटेक्शन एल्गोरिदम की तलाश कर रहे थे जो उच्च सटीकता पैदा करता है और बेहद तेज है। जिन समुद्री वातावरण में हम काम करते हैं वे कठोर, उबड़-खाबड़ इलाके हैं। YOLOv5 सभी मोर्चों पर सबसे अच्छा ऑब्जेक्ट डिटेक्शन मॉडल के रूप में दिया गया जिसका हम उपयोग कर सकते थे।
"हम उपयोग करना पसंद करते हैं YOLOv5 चूंकि इसे स्थापित करना और उपयोग करना इतना आसान है, और यह उन परिणामों का उत्पादन कर रहा है जिन्हें हम लगातार चाहते थे।
"भविष्य के किसी भी मॉडल के लिए जिसे हम तैनात करेंगे, हम देखेंगे YOLOv5 एक शक की छाया के बिना हमारी पहली पसंद के रूप में।
गौतम टाटा, मशीन लर्निंग रिसर्चर
डीपप्लास्टिक रिपॉजिटरी, प्रकाशित पेपर और वीडियो रिकैप देखें।
मशीन लर्निंग के भविष्य के साथ अपनी यात्रा शुरू करें